Leighton Welch, Tracerin CTO ja co-perustaja – Haastattelusarja

Leighton Welch on Tracerin CTO ja co-perustaja. Tracer on tekoälypohjainen työkalu, joka järjestää, hallitsee ja visualisoi monimutkaisia tietojoukkoja nopeamman ja toimivamman liiketoimintatiedon tuottamiseksi. Ennen Tracerin CTO:na toimimista Leighton oli SocialCoden kuluttajatutkimuksen johtaja ja VaynerMedian teknisen johtaja. Hän on urallaan uranuurtajana mainosteknologiaympäristössä, ja hän on toteuttanut ensimmäisen Snapchat-mainoksen ja konsultoinut maailman suurimpien alustojen kaupallisten API:iden parissa. Leighton valmistui Harvardista vuonna 2013 tietojenkäsittelytieteen ja taloustieteen tutkinnolla.

Voitko kertoa enemmän taustastasi ja siitä, miten kokemuksesi Harvardissa, SocialCodessa ja VaynerMediassa innoittivat sinua perustamaan Tracerin?

Ajatus syntyi kymmenen vuotta sitten. Lapsuuden ystäväni soitti minulle perjantai-iltana. Hän kamppaili datan keräämisellä eri sosiaalisen median alustoilta yhdelle asiakkaalleen. Hän ajatteli, että tämä voisi automatisoida, joten hän pyysi apua minulta, koska minulla on tausta ohjelmistosuunnittelussa. Näin tapasin nykyisen liikekumppaniini Jeff Nicholsonin.

Tämä oli meidän valaistumisen hetkiemme: rahoituksen määrä näillä kampanjoilla ylitti paljon ohjelmistojen laadun, jotka seurasivat näitä rahoituksia. Tämä oli vastasyntynyt markkina, jolla oli runsaasti sovelluksia data-analytiikassa.

Pidimme kehittämällä analytiikkatyökaluja, jotka voisivat täyttää yhä suurempien ja monimutkaisempien median kampanjoiden tarpeita. Kun rakensimme ratkaisua, kehitimme prosessin – selkeät vaiheet datan keräämisestä ja kontekstualisoinnista. Tajusimme, että prosessi, jonka kehitimme, voitiin soveltaa mihin tahansa tietojoukkoon – ei pelkästään mainontaan – ja tämä on Tracer tänään: tekoälypohjainen työkalu, joka järjestää, hallitsee ja visualisoi monimutkaisia tietojoukkoja nopeamman ja toimivamman liiketoimintatiedon tuottamiseksi.

Autamme demokratisoimaan sitä, mitä tarkoitetaan “datavetoinen” organisaatio, automatisoimalla tarvittavat vaiheet eri tietojoukkojen keräämiselle, yhdistämiselle ja järjestämiselle eri toimintojen ja osastojen välillä, ja tarjoamalla voimakasta liiketoimintatietoa helppokäyttöisen raportoinnin ja visualisoinnin kautta. Tämä voi tarkoittaa myyntitietojen yhdistämistä markkinointi-CRM:ään, HR-analytiikkaa liikevaihdon trendeihin ja loputtomiin sovelluksiin.

Voitko selittää, miten Tracerin alusta automatisoi analytiikkaa ja vallankumouksellistaa modernin data-arkkitehtuurin asiakkailleen?

Yksinkertaisuuden vuoksi määritellään analytiikka liiketoimintakysymyksen vastaamiseksi ohjelmistojen avulla. Nykyisessä maisemassa on kaksi lähestymistapaa.

• Ensimmäinen on pystyohjelmistojen ostaminen. CFO:lle tämä voi olla Netsuite. CRO:lle se voi olla Salesforce. Pystyohjelmistot ovat hyviä, koska ne ovat valmiit, erittäin erikoistuneita ja toimivat suoraan pakasta. Pystyohjelmistojen rajoitus on, että ne ovat pystyjä: jos haluat Netsuiten puhuvan Salesforceen, olet taas alusta alkaen. Pystyohjelmistot ovat valmiit, mutta eivät joustavia.
• Toinen lähestymistapa on vaakasuorien ohjelmistojen ostaminen. Tämä voi olla yksi ohjelmisto datan keräämiselle, toinen tallennukselle ja kolmas analytiikalle. Vaakasuoriset ohjelmistot ovat hyviä, koska ne voivat käsitellä melkein mitä tahansa. Voit varmasti kerätä, tallentaa ja analysoida sekä Salesforce- että Netsuite-tietojasi tätä kanavaa pitkin. Rajoitus on, että se on koottava, ylläpidettävä, eikä mikään toimi “suoraan pakasta”. Vaakasuoriset ohjelmistot ovat joustavia, mutta eivät valmiita.

Tarjoamme kolmannen lähestymistavan luomalla alustan, joka yhdistää tarvittavat teknologiat raportointiin, ja tekee sen helpoksi käyttää ilman minkäänlaista teknistä osaamista tai teknistä kuormitusta. Se on joustava ja valmis. Tracer on markkinoiden voimakkain alusta, joka on soveltamisalueltaan riippumaton ja kokonainen.

Tracer prosessoi noin 10 petatavua dataa viime kuussa. Miten Tracer käsittelee näin suuren määrän dataa tehokkaasti?

Scala on erittäin tärkeää maailmassamme, ja se on aina ollut Tracerin prioriteetti jo alkuvaiheista lähtien. Tämän datamäärän prosessointiin käytämme monia parhaimpiin kuuluvia teknologioita ja vältämme keksimästä pyörää uudelleen, jos sellaista ei tarvita. Olemme erittäin ylpeitä infrastruktuurista, jonka olemme rakentaneet, mutta olemme myös avoimia siitä. Itse asiassa arkkitehtuuri-ohjelma on esitetty verkkosivullamme.

Mitä sanomme kumppaneillemme on, että: Se ei ole sitä, etteivät heidän sisäiset insinööritiimit pystyisi rakentamaan sitä, mitä olemme rakentaneet; vaan he eivät tarvitse. Olemme kokoontaneet modernin data-arkkitehtuurin paloja heidän puolestaan. Runko on tehokas, taistelukelpoinen ja modulaarinen, jotta voimme dynaamisesti kehittyä maiseman mukana.

Monet kumppanimme tulevat meidän luo vapauttamaan insinöörien resursseja keskittymään suurempiin strategisiin aloitteisiin. He käyttävät Tracerin arkkitehtuuria välineenä päämäärään. Tietokannan omistaminen ei vastaa liiketoimintakysymyksiin. ETL-pipeline ei vastaa liiketoimintakysymyksiin. Se, mikä todella on tärkeää, on se, mitä voit tehdä infrastruktuurin kanssa, kun se on kootettu. Tämän vuoksi rakensimme Tracerin – olemme teiden lyhennys saadaksemme vastauksia.

Miksi uskot, että rakenteinen data on kriittinen tekoälylle, ja mitä etuja se tarjoaa verrattuna rakenteettomaan dataan?

Rakenteinen data on kriittinen tekoälylle, koska se sallii manuaalisen ihmisen vuorovaikutuksen, jota pidämme olennaisena osana tehokkaita tuloksia. Sanottakoon, että tänään olemme paremmin varusteltu kuin koskaan aiemmin hyödyntämään rakenteettoman datan oivalluksia ja aiemmin vaikeasti saatavissa olevia muotoja (asiakirjoja, kuvia, videoita jne.).

Meille on tärkeää tarjota alusta, jonka kautta voidaan sisällyttää lisäkonteksti niiltä, jotka ovat eniten tutkineet perustietoja, kun data on tehty saataville. Toisin sanoen, se on rakenteeton data → rakenteinen data → Tracerin kontekstimoottori → tekoälyohjatut tulokset. Istumme välimaastossa ja sallimme tehokkaamman palautekehyksen ja manuaalisen väliintulon, jos tarvitaan.

Mitä haasteita yritykset kohtaavat rakenteettoman datan kanssa, ja miten Tracer auttaa voittamaan nämä haasteet parantaakseen datan laatua?

Ilman Tracerin kaltaista alustaa rakenteettoman datan haaste on kaikki kontrolli. Syötät datan malliin, malli antaa vastauksia, ja sinulla on vain vähän mahdollisuuksia optimoida, mitä tapahtuu mustan laatikon sisällä.

Oletetaan, että haluat määrittää vaikuttavimman sisällön median kampanjassa. Tracer voi käyttää tekoälyä antaakseen metadataa kaikista sisällöistä, jotka olivat mukana mainoksissa. Se voi myös käyttää tekoälyä antaakseen viime kilometrin analytiikkaa saadakseen vastauksen.

Tracerin alusta sallii kuitenkin käyttäjien piirtää yhteydet median dataan ja tietoihin, joissa tulokset elävät, ja puhdistaa luokittelun, jonka tekoäly on tehnyt. Olemme abstrahoineet ja tuotteistaneet vaiheet poistaaksemme mustan laatikon. Ilman tekoälyä on paljon enemmän työtä, jota ihminen on tehtävä Tracerissa. Mutta ilman Traceria tekoäly ei pääse samaan laatuiseen vastaukseen.

Mitä ovat joitain tärkeimpiä tekoälyyn perustuvia teknologioita, joita Tracer käyttää parantaakseen data-intelligenssi-alustaa?

Voit ajatella Traceria kolmen ydin tuoteryhmän kautta: Lähteet, Sisältö ja Tulokset.

• Lähteet on työkalu, jota käytetään eri tietojen automaattiseen keräämiseen, seurantaan ja laadunvalvontaan.
• Konteksti on vetokäyttöinen semanttinen kerros datan järjestämiseen sen jälkeen, kun se on kerätty.
• Tulokset ovat siellä, missä voit vastata liiketoimintakysymyksiin kontekstualisoidun datan päällä.

Tracerissa emme näe tekoälyä korvaavana minkään näistä vaiheista; sen sijaan näemme tekoälyn teknologiana, jota kaikki kolme kategoriaa voivat hyödyntää laajentaakseen automaation piiriin.

Esimerkiksi:

• Lähteet: Käyttäen tekoälyä uusien API-liitosten luomiseen pitkäaikaisiin tietolähteisiin, joita ei ole saatavilla kumppaniverkostossa.
• Konteksti: Käyttäen tekoälyä metadataa puhdistamaan ennen sääntöjen suorittamista. Esimerkiksi puhdistamalla julkaisun nimien variaatiot jokaisessa kielessä.
• Tulokset: Käyttäen tekoälyä vaihtoehtona kojuihin, joissa liiketoimintatapaus on tutkiva, eikä kiinteä joukko KPI:itä, jotka on ilmoitettava toistuvasti.
• Tekoäly sallii meille saavuttaa nämä sovellukset yksinkertaisella ja saatavilla olevalla tavalla.

Mitä ovat Tracerin tulevaisuuden kehitys- ja innovaatiosuunnitelmat data-intelligenssin alalla?

Tracer on aggregaattoreiden aggregaattori. Kumppanimme luottavat meihin tiettyjen sovellusten osalta tiimien ja osastojen sisällä tai ristifunktionaalisessa liiketoimintatiedossa. Tracerin kauneus on, että riippumatta siitä, käytätkö meitä parempien päätösten tekemiseen median kuluissa ja luovassa, tai rakentamaan dashboard-ohjauspaneelia eri mittareiden yhdistämiseksi toimitusketjusta myyntiin ja kaikkeen siihen, rakennuspalikat ovat johdonmukaisia.

Näemme organisaatioita, jotka aiemmin luottivat meihin tietyissä liiketoiminnan osa-alueissa (esim. media ja markkinointi), laajentavat sovelluksia muualle liiketoiminnassa. Kun aiemmat pääasiakkaamme olivat aiemmin senior-median johtajia tai asiakasagenttien kumppaneita, työskentelemme nyt koko organisaation kanssa, yhteistyössä CIO:iden, CTO:iden, data-analyytikoiden ja liiketoimintatutkijoiden kanssa. Jatkamme työkalujen kehittämistä, jotta voimme tarjota enemmän ja enemmän sovelluksia ja rooleja, samalla varmistamalla, että ydin-teknologia on skaalattava, joustava ja saatavilla ei-tekniikan käyttäjille. Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tracer-sivustolla.